首先，我必须要手动给李宏毅老师一个大大的赞。这是我目前为止见到的教学最出彩最认真的老师。李老师刷新了我对计算机教学的认知，原来专业知识可以和动漫卡通如此巧妙自然衔接在一起。我甚至在想，如果我读大学期间能够遇到这样的老师，我肯定会义无反顾深入机器学习领域，把计算机作为我的毕生事业，而不是像现在这样白天努力搬砖，晚上沉迷二次元。一个好老师真的会影响一批学生的！再次为李老师的网课点赞。在网课中后期录到李老师上课的咳嗽声，甚是心疼。李老师务必好好爱惜自己的嗓子。身体健康第一。下面言归正传，通过复盘作业回顾李老师的课程知识重点。

      机器学习本质上就是机器自动找函式，不管是语言辨识，影像辨识，还是AlphaGo下围棋，或是对话系统，其实都可以归纳为机器找函式的能力。随着机器找到的函式不同，就会有不同的机器学习任务。《李宏毅机器学习特训营》中的作业1PM2.5预测，其输入是历史上的PM2.5数值，输出是预测的PM2.5的数值，这是个典型的Regress分类问题。作业2年收入判断是个典型的Binary classification二元分类问题，其函式输出是Yes or No两个可能。作业4语句分类，其函式输出是正面还是负面，也是一个二元分类问题，不过采用的是RNN模型。机器学习的分类问题不仅有二元分类，也有multi-class classification，其函式输出是让机器在n个选项中做选择，作业3食物图像分类就是multi-class classification，采用的是CNN模型。 机器学习教科书一般说机器学习就是两大类问题：Regression(输出数值)和Classification（机器做选择，包括2个选项的Binary classification或是多个选项的multi-class classification），但这个说法并不准确，其实机器学习最神奇最好玩的是其黑暗大陆Generation(生成)问题，让机器产生有结构的复杂东西（例如输出一段文句、输出一张图片），让机器学习怎么去创造。这应该是机器学习最让人兴奋和刺激的领域，最近百度飞桨近期开设的《生成对抗网络七日打卡营》恰好就属于这方面的内容。
      依据传达给机器找什么样函式的方法，机器学习有Superviesed Learning监督式学习，即人类需要给机器训练资料，告知机器理想和正确的输出，即label标签。提供机器有label资料学习就是Supervised learning。机器有了资料后，就可以评估其函式的好坏，依据机器loss, 即知道这个机器有多好或多不好。函式的loss越小，机器学习效果越好。除了Supervised Leearning外，机器学习还有Reinforcement Learning强化学习，例如AlphaGo。Reinforcement Learning不需要告诉机器下围棋每一种情况最应该正确落子位置，只需要让机器自己想办法找策略提高正确率，机器输或赢的Reward就是引导机器学习的方向。除了Superviesed Learning 和 Reinforce Learning外，还有Unsuperviesed Learning，给机器的data没有标签，让机器自己学。
      那么怎样让机器找到想要的函式呢？首先要给与机器寻找好的函式范围，作业1PM2.5和作业2年收入判断的函式都是假定了Linear的函式。作业3CNN和作业4RNN的函式采用了神经网络，是深度学习中的经典模型。找到搜寻范围后，机器怎样去找到最好的函式？最常用的方法是 Gradient Descent梯度下降。作业1PM2.5和作业2年收入判断，是要求学员手动自己编写Gradient Descent方法。作业3、4、5都是使用现成的Tookit套件解决，百度《李宏毅机器学习特训营》自然用的是飞桨PaddlePaddle。

       以上是我对李宏毅机器学习特训营心得体会和作业小结。最后，感谢百度飞桨提供给我们学习的平台，让我近距离感受到李宏毅老师的教学课堂。好像李宏毅老师在百度上开设的不止一门课哦，希望百度飞桨能把李老师的课程做成一个系列教学活动。而我会更加努力搬砖，积极支持百度飞桨的！